CN116683648A - 一种智能型配电柜及其控制*** - Google Patents
一种智能型配电柜及其控制*** Download PDFInfo
- Publication number
- CN116683648A CN116683648A CN202310691904.2A CN202310691904A CN116683648A CN 116683648 A CN116683648 A CN 116683648A CN 202310691904 A CN202310691904 A CN 202310691904A CN 116683648 A CN116683648 A CN 116683648A
- Authority
- CN
- China
- Prior art keywords
- training
- encoder
- classification
- feature
- vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 86
- 239000013598 vector Substances 0.000 claims abstract description 91
- 239000011159 matrix material Substances 0.000 claims abstract description 83
- 238000010586 diagram Methods 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims description 111
- 238000012545 processing Methods 0.000 claims description 27
- 238000001514 detection method Methods 0.000 claims description 17
- 238000011176 pooling Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 2
- 230000003213 activating effect Effects 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 30
- 238000000034 method Methods 0.000 description 22
- 238000013527 convolutional neural network Methods 0.000 description 17
- 238000012544 monitoring process Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 10
- 230000008859 change Effects 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000005065 mining Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000013145 classification model Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000004148 unit process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/185—Electrical failure alarms
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02B—BOARDS, SUBSTATIONS OR SWITCHING ARRANGEMENTS FOR THE SUPPLY OR DISTRIBUTION OF ELECTRIC POWER
- H02B1/00—Frameworks, boards, panels, desks, casings; Details of substations or switching arrangements
- H02B1/24—Circuit arrangements for boards or switchyards
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00001—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Image Analysis (AREA)
Abstract
公开了一种智能型配电柜及其控制***。其首先将多个预定时间点的电能负载值按照时间维度排列为电能负载时序输入向量后和预定时间段的电流波形图通过包含序列编码器和波形图像编码器的跨模态联合编码器以得到电力***多模态特征矩阵,接着,将所述电力***多模态特征矩阵通过空间注意力模块以得到分类特征矩阵,然后,将所述分类特征矩阵通过分类器以得到用于表示被监测电力***是否正常的分类结果,最后,基于所述分类结果,生成用于表示是否产生警示信号的控制信号。这样,可以提高电力***的稳定性和可靠性。
Description
技术领域
本申请涉及配电柜领域,且更为具体地,涉及一种智能型配电柜及其控制***。
背景技术
配电柜是一种用于电力***的设备,也被称为低压电气配电盘或电力控制箱。它主要用于分配、控制、保护和监测电力***中的电能负载和电流信号,以确保电力***的正常运行和安全稳定。在电力***运行中,过载、短路等故障会导致电流的不稳定和设备损坏,甚至危及生命安全。因此,对于电力***的监控和预测变得尤为重要。
然而,传统配电柜通常只能进行简单的开关控制和短路保护,无法实时监测电力***中是否发生了过载、短路或其他故障。这种设备缺乏智能性,不能及时预警和控制电力***中的异常情况,导致电力***的安全性和稳定性受到威胁。
因此,期望一种优化的智能型配电柜。
发明内容
有鉴于此,本公开提出了一种智能型配电柜及其控制***,其可以通过监测电能负载值,对用电设备的运行状态进行实时评估,发现潜在故障隐患并及时处理,提高电力***的稳定性和可靠性。
根据本公开的一方面,提供了一种智能型配电柜,其包括:
数据采集模块,用于获取被监测电力***在预定时间内多个预定时间点的电能负载值以及所述预定时间段的电流波形图;
数据参数时序排列模块,用于将所述多个预定时间点的电能负载值按照时间维度排列为电能负载时序输入向量;
联合编码模块,用于将所述电能负载时序输入向量和所述预定时间段的电流波形图通过包含序列编码器和波形图像编码器的跨模态联合编码器以得到电力***多模态特征矩阵;
空间特征增强模块,用于将所述电力***多模态特征矩阵通过空间注意力模块以得到分类特征矩阵;
电力***检测模块,用于将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示被监测电力***是否正常;以及
预警模块,用于基于所述分类结果,生成控制信号,所述控制信号用于表示是否产生警示信号。
根据本公开的另一方面,提供了一种智能型配电柜的控制***,其包括:
控制***,所述控制***用于控制前述任一所述的智能型配电柜。
根据本公开的实施例,其首先将多个预定时间点的电能负载值按照时间维度排列为电能负载时序输入向量后和预定时间段的电流波形图通过包含序列编码器和波形图像编码器的跨模态联合编码器以得到电力***多模态特征矩阵,接着,将所述电力***多模态特征矩阵通过空间注意力模块以得到分类特征矩阵,然后,将所述分类特征矩阵通过分类器以得到用于表示被监测电力***是否正常的分类结果,最后,基于所述分类结果,生成用于表示是否产生警示信号的控制信号。这样,可以提高电力***的稳定性和可靠性。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面,并且用于解释本公开的原理。
图1示出根据本公开的实施例的智能型配电柜的框图。
图2示出根据本公开的实施例的智能型配电柜中所述联合编码模块的框图。
图3示出根据本公开的实施例的智能型配电柜中进一步包括的训练模块的框图。
图4示出根据本公开的实施例的智能型配电方法的流程图。
图5示出根据本公开的实施例的智能型配电方法的架构示意图。
图6示出根据本公开的实施例的智能型配电柜的应用场景图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本申请的部分实施例,而不是全部的实施例。基于本申请实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,也属于本申请保护的范围。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
本申请中使用了流程图用来说明根据本申请的实施例的***所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
如上所述,传统的配电柜是一种用于分配、保护和控制电力***中电能的设备。它通常由一个外壳、电源开关、保险丝、断路器、接触器、继电器、变压器等组成。这些元件通过电缆和导线连接,形成一个电路***,以实现电力***的分配、保护和控制功能。并且,传统配电柜通常只能进行简单的开关控制和短路保护,只能进行基本的电力分配、保护和控制,缺乏智能化的功能,无法实时监测电力***中是否发生了过载、短路或其他故障,并且通常需要人工维护和管理,缺乏自动化和远程监控的能力。这种设备缺乏智能性,不能及时预警和控制电力***中的异常情况,导致电力***的安全性和稳定性受到威胁。因此,期望一种优化的智能型配电柜。
相应地,考虑到在智能配电柜中,为了能够实时监测电力***中是否出现了过载、短路或其他故障,在本申请的技术方案中,期望基于对电力***中的电能负载、电流信号进行分析,以检测出其变化趋势,从而来判断电力***中的过载、短路或其他故障,并通过智能型配电柜发出警报。然而,由于电能负载值和电流信号在时间维度上都具有着时序的变化特性,并且这两者之间还具有着时序的协同关联关系,共同对于电力***的故障检测产生影响。因此,难以有效地进行电力***参数的变化趋势分析,从而给电力***的故障检测带来了困难。
近年来,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述电能负载值的时序变化特征和所述电流信号的时序隐含特征之间的关联性特征信息提供了新的解决思路和方案。
图1示出根据本公开的实施例的智能型配电柜的框图示意图。如图1所示,根据本申请实施例的智能型配电柜100,包括:数据采集模块110,用于获取被监测电力***在预定时间内多个预定时间点的电能负载值以及所述预定时间段的电流波形图;数据参数时序排列模块120,用于将所述多个预定时间点的电能负载值按照时间维度排列为电能负载时序输入向量;联合编码模块130,用于将所述电能负载时序输入向量和所述预定时间段的电流波形图通过包含序列编码器和波形图像编码器的跨模态联合编码器以得到电力***多模态特征矩阵;空间特征增强模块140,用于将所述电力***多模态特征矩阵通过空间注意力模块以得到分类特征矩阵;电力***检测模块150,用于将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示被监测电力***是否正常;以及,预警模块160,用于基于所述分类结果,生成控制信号,所述控制信号用于表示是否产生警示信号。
更具体地,在本申请实施例中,所述数据采集模块110,用于获取被监测电力***在预定时间内多个预定时间点的电能负载值以及所述预定时间段的电流波形图。在电力***出现短路或其他异常情况时,会出现电流波形图上的明显变化,这时配电柜可以及时对异常情况进行识别,并采取措施进行保护,避免事故的发生。另外,配电柜还可以通过监测电能负载值,对用电设备的运行状态进行实时评估,发现潜在故障隐患并及时处理,提高电力***的稳定性和可靠性。
例如,在一个示例中,可以使用数据采集仪器,将被监测电力***的电流传感器和电压传感器连接到数据采集仪器上,然后将数据采集仪器连接到计算机上。使用计算机上的数据采集软件,设置预定时间点和时间段,即可获取所需的电能负载值和电流波形图。数据采集仪器可以实时采集电流和电压数据,同时计算出电能负载值,并将数据保存在计算机上,方便后续的数据分析和处理。
在另一也示例中,也可以通过智能电力监测***可以实时监测电力***的电流、电压、功率等数据,并将数据保存在云端服务器上。使用智能电力监测***,可以方便地获取被监测电力***在预定时间内多个预定时间点的电能负载值和电流波形图。用户只需在智能电力监测***的界面上设置预定时间点和时间段,即可获取所需的数据。
更具体地,在本申请实施例中,所述数据参数时序排列模块120,用于将所述多个预定时间点的电能负载值按照时间维度排列为电能负载时序输入向量。所述电能负载值在时间维度上有着动态性的变化规律,为了能够提取出所述电能负载值的时序变化特征,以此结合电力***的电流时序隐含特征信息来综合进行电力***的故障检测,需要进一步将所述多个预定时间点的电能负载值按照时间维度排列为电能负载时序输入向量,以此来整合所述电能负载值在时序上的分布信息。
在一个示例中,可以将每个时间点的电能负载值按照时间顺序依次排列,形成一个向量。例如,如果我们要获取一天内每小时的电能负载值,那么我们可以将这些值按照时间顺序排列,形成一个向量。可以通过如下电能负载排列公式获取该输入向量:
x=[x1,x2,x3,…,xn]
其中,xn表示在第n个时间点的电能负载值,n表示总的时间点数。
更具体地,在本申请实施例中,所述联合编码模块130,用于将所述电能负载时序输入向量和所述预定时间段的电流波形图通过包含序列编码器和波形图像编码器的跨模态联合编码器以得到电力***多模态特征矩阵。使用在图像的隐含特征提取方面具有优异表现的包含有卷积神经网络模型的波形图像编码器来进行所述预定时间段的电流波形图的处理,以此来挖掘出图像中关于电力***的电流信号隐含特征分布信息,从而有利于对电力***进行故障检测。特别地,考虑到由于配电柜还可以通过监测所述电能负载值的时序变化情况,对用电设备的运行状态进行实时评估,发现潜在故障隐患并及时处理。因此,为了能够进一步提高对于电力***的故障检测精准度,在本申请的技术方案中,期望利用包含序列编码器和波形图像编码器的跨模态联合编码来基于所述电能负载值的时序变化特征来优化所述电流波形时序隐含特征的表达。
特别地,这里,所述波形图像编码器使用作为过滤器的卷积神经网络模型来进行所述电流波形图的特征挖掘,以提取出所述电流波形图中关于电力***的电流波形隐含特征分布信息;所述序列编码器使用基于一维卷积核的卷积神经网络来进行所述电能负载时序输入向量的特征挖掘,以提取出所述电能负载在时间维度上的时序关联特征信息。然后,再基于所述跨模态联合编码器的联合编码模块来完成所述电流波形特征和所述电能负载时序变化特征的联合编码优化,以基于所述电能负载时序变化特征分布对所述电流波形特征分布进行特征优化表达,从而提高后续分类的准确性。
值得一提的是,卷积神经网络(Convolutional Neural Network,CNN)是一种深度学习模型,常用于图像识别、自然语言处理等领域。CNN中的卷积层可以看做是一种过滤器,通过滑动窗口的方式对输入数据进行卷积操作,从而提取出数据的特征。在电力监测中,可以使用CNN模型作为过滤器,对电流波形图进行特征挖掘。具体来说,CNN模型可以通过多层卷积层和池化层的组合,逐步提取出电流波形图中的局部特征和全局特征。例如,卷积层可以提取出电流波形图中的局部特征,如波峰、波谷等;而池化层可以对卷积层输出的特征图进行降采样,从而减少特征图的大小,提高模型的计算效率。通过多次卷积和池化操作,CNN模型可以逐步提取出更加抽象的特征,最终将这些特征输入到全连接层进行分类或回归等任务。
基于一维卷积核的卷积神经网络(1D CNN)是一种专门用于处理时间序列数据的神经网络模型。1D CNN通过类似于图像处理中的卷积操作,对时间序列数据进行特征提取和降维。使用基于一维卷积核的卷积神经网络来进行电能负载时序输入向量的特征挖掘,可以实现对电能负载的预测、分析和优化等任务。具体来说,1D CNN可以通过多层卷积层和池化层的组合,逐步提取出电能负载时序输入向量中的局部和全局特征,例如,可以提取出电能负载的周期性、趋势性、峰值等特征。通过多次卷积和池化操作,1D CNN可以逐步提取出更加抽象的特征,最终将这些特征输入到全连接层进行分类或回归等任务。总之,基于一维卷积核的卷积神经网络是一种非常有效的时间序列数据处理工具,可以广泛应用于电力***中的各种任务。
相应地,在一种可能的实现方式中,如图2所示,所述联合编码模块130,包括:序列编码单元131,用于将所述电能负载时序输入向量通过所述跨模态联合编码器的所述序列编码器以得到电能负载时序特征向量;波形图像编码单元132,用于将所述预定时间段的电流波形图通过所述跨模态联合编码器的所述波形图像编码器以得到波形图像编码特征向量;以及,跨模态融合单元133,用于使用所述跨模态联合编码器的跨模态融合器融合所述电能负载时序特征向量和所述波形图像编码特征向量以得到所述电力***多模态特征矩阵。
相应地,在一种可能的实现方式中,所述序列编码单元131,用于:使用所述跨模态联合编码器的所述序列编码器的各层在层的正向传递中对输入数据分别进行一维卷积处理、池化处理和非线性激活处理以由所述跨模态联合编码器的所述序列编码器的最后一层输出所述电能负载时序特征向量,其中,所述跨模态联合编码器的所述序列编码器的第一层的输入为所述电能负载时序输入向量。
相应地,在一种可能的实现方式中,所述波形图像编码单元132,用于:使用所述跨模态联合编码器的所述波形图像编码器的各层在层的正向传递中对输入数据分别进行卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述跨模态联合编码器的所述波形图像编码器的最后一层输出所述波形图像编码特征向量,其中,所述跨模态联合编码器的所述波形图像编码器的第一层的输入为所述预定时间段的电流波形图。
更具体地,在本申请实施例中,所述空间特征增强模块140,用于将所述电力***多模态特征矩阵通过空间注意力模块以得到分类特征矩阵。考虑到在实际进行电力***的故障检测时,所述电流波形隐含特征和所述电能负载特征之间在某些时间段具有着特殊的关键关联特征信息,例如在某个时间段电流波形出现突增的情况,这种关键的关联特征信息对于电力***的故障检测具有重要意义。因此,为了能够进一步提高分类的准确性,在本申请的技术方案中,将所述电力***多模态特征矩阵通过空间注意力模块以得到分类特征矩阵。应可以理解,所述空间注意力模块所提取到的关联特征则反映了空间维度特征差异的权重,用来抑制或强化不同空间位置的特征,也就是说,所述空间注意力模块可以通过对所述电力***多模态特征矩阵不同区域的权重调整,使得分类器更加注重那些对分类结果贡献最大的区域,从而有效地提高智能型配电柜的识别和分类能力,提高分类的准确性。
空间注意力模块是一种用于深度学习中的注意力机制,主要用于处理空间特征。它能够自适应地学习图像中不同位置的特征的重要性,从而在图像分类、目标检测、图像分割等任务中取得优异的表现。在使用空间注意力模块时,首先需要将输入的特征图通过卷积操作分别得到通道注意力和空间注意力。然后,将通道注意力和空间注意力相乘得到最终的注意力图,再将注意力图与输入的特征图相乘,得到加权后的特征图。空间注意力模块的主要有益效果是能够提高模型的性能,尤其是在处理大尺度图像时表现尤为突出。此外,空间注意力模块还能够减少模型的参数数量,提高模型的计算效率。通常,空间注意力模块被应用于图像分类、目标检测、图像分割等任务中。在图像分类中,空间注意力模块能够自适应地学习图像中不同位置的特征的重要性,从而提高分类的准确率。在目标检测中,空间注意力模块能够提高检测框的精度,从而提高检测的准确率。在图像分割中,空间注意力模块能够自适应地学习不同位置的特征的重要性,从而提高分割的准确率。
相应地,在一种可能的实现方式中,所述空间特征增强模块140,用于:在所述空间注意力模块的各层在层的正向传递过程中对输入数据分别进行:对输入数据进行卷积处理以生成卷积特征图;对所述卷积特征图进行池化处理以生成池化特征图;对所述池化特征图进行非线性激活以生成激活特征图;计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵;计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵;以及,计算所述空间特征矩阵和所述空间得分矩阵的按位置点乘以获得特征矩阵;其中,所述空间注意力模块的最后一层输出的所述特征矩阵为所述分类特征矩阵。
更具体地,在本申请实施例中,所述电力***检测模块150,用于将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示被监测电力***是否正常。也就是,在本申请的技术方案中,所述分类器的标签包括被监测电力***正常(第一标签),以及,被监测电力***不正常(第二标签),其中,所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。值得注意的是,这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“被监测电力***是否正常”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,即p1和p2之和为一。因此,被监测电力***是否正常的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“被监测电力***是否正常”的语言文本意义。应可以理解,在本申请的技术方案中,所述分类器的分类标签为被监测电力***是否正常的检测评估标签,因此,在得到所述分类结果后,可基于所述分类结果生成控制信号,所述控制信号用于表示是否产生警示信号。这样,能够实时准确地进行电力***的故障检测,并在检测出故障时通过智能型配电柜发出警报,从而提高了电力***的安全性和稳定性。
应可以理解,分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器,然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题,对于多分类问题(multi-class classification),同样也可以用逻辑回归或SVM,只是需要多个二分类来组成多分类,但这样容易出错且效率不高,常用的多分类方法有Softmax分类函数。
更具体地,在本申请实施例中,所述预警模块160,用于基于所述分类结果,生成控制信号,所述控制信号用于表示是否产生警示信号。预警模块通常是在分类模型的基础上进行构建的。在分类模型中,可以将输入的数据进行分类,得到不同的分类结果。在预警模块中,可以根据分类结果生成控制信号,用于表示是否产生警示信号。
具体来说,预警模块可以根据分类结果设定一些阈值,当分类结果超过这些阈值时,就会生成控制信号。例如,在一个二分类模型中,可以将分类结果设定为0或1,当分类结果为1时,就可以生成控制信号,表示需要产生警示信号。预警模块生成的控制信号通常是一个二进制数,例如0或1,表示是否需要产生警示信号。当控制信号为1时,表示需要产生警示信号,当控制信号为0时,表示不需要产生警示信号。控制信号可以通过电路、软件等方式进行实现,例如通过控制灯光、声音等方式进行警示。在控制灯光方面,可以通过控制开关或调节电压等方式来控制灯光的亮度和闪烁频率;在控制声音方面,则可以通过控制喇叭的振动频率和振幅等方式来控制声音的大小和音调。
当然也可以通过机械进行控制,机械控制是一种基于机械设备实现的控制信号方式,通过机械装置可以实现控制灯光、声音等。例如,在控制灯光方面,可以通过机械开关或可调节的机械结构来控制灯光的亮度和闪烁频率;在控制声音方面,可以通过机械振动装置来控制声音的大小和音调。
相应地,在一种可能的实现方式中,所述的智能型配电柜还包括用于对所述包含序列编码器和波形图像编码器的跨模态联合编码器、所述空间注意力模块和所述分类器进行训练的训练模块。其中,如图3所示,所述训练模块200,包括:训练数据采集单元210,用于获取训练数据,所述训练数据包括被监测电力***在预定时间内多个预定时间点的训练电能负载值和所述预定时间段的训练电流波形图,以及,所述是否产生警示信号的真实值;训练数据参数时序排列单元220,用于将所述多个预定时间点的训练电能负载值按照时间维度排列为训练电能负载时序输入向量;训练联合编码单元230,用于将所述训练电能负载时序输入向量和所述预定时间段的训练电流波形图通过所述包含序列编码器和波形图像编码器的跨模态联合编码器以得到训练电能负载时序特征向量和训练波形图像编码特征向量;训练特征融合单元240,用于融合所述训练电能负载时序特征向量和所述训练波形图像编码特征向量以得到训练电力***多模态特征矩阵;训练空间特征增强单元250,用于将所述训练电力***多模态特征矩阵通过所述空间注意力模块以得到训练分类特征矩阵;分类损失单元260,用于将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值;伪循环差异惩罚损失单元270,用于计算所述训练电能负载时序特征向量和所述训练波形图像编码特征向量的伪循环差异惩罚因数作为伪循环差异惩罚损失函数值;以及,模型训练单元280,用于以所述分类损失函数值和所述伪循环差异惩罚损失函数值的加权和作为损失函数值,并通过梯度下降的反向传播来对所述包含序列编码器和波形图像编码器的跨模态联合编码器、所述空间注意力模块和所述分类器进行训练。
所述训练模块主要负责对所述跨模态联合编码器、所述空间注意力模块和所述分类器进行训练。具体来说,训练模块会利用已有的数据集对所述跨模态联合编码器、所述空间注意力模块和所述分类器进行训练,以使其能够对数据进行准确的分类和预测。在训练过程中,跨模态联合编码器会将数据集中的序列数据和波形图像数据进行编码,以获得更加丰富和全面的特征表示。空间注意力模块则会利用编码器提取的特征表示,对电力***数据中的重要部分进行加权,以提高分类和预测的准确性。最后,分类器会利用编码器和空间注意力模块提取的特征表示,对电力***数据进行分类和预测。
其中,分类损失单元主要用于计算所述分类损失函数值。在训练过程中,分类损失单元会将训练数据集中的数据通过分类器进行分类,然后将分类结果与真实标签进行比较,计算分类损失函数值。
具体来说,分类损失函数值是一个数值,表示分类器预测结果与真实标签之间的差异程度。分类损失函数值越小,说明分类器预测结果与真实标签越接近,分类器的分类准确性越高。对于训练模块来说,分类损失函数值是非常重要的,它可以作为训练模块的优化目标,通过反向传播算法来更新跨模态联合编码器、空间注意力模块和分类器中的参数,从而提高智能型配电柜的分类和预测能力。通过不断地优化分类损失函数值,智能型配电柜可以逐步提高其对电力***数据的分类和预测准确性,实现对电力***的智能化监测和控制。
相应地,在一种可能的实现方式中,所述分类损失单元260,用于:使用所述分类器以如下分类公式对所述训练分类特征矩阵进行处理以得到分类结果,所述分类公式为:softmax{(Wn,Bn):…:(W1,B1)|Project(F)},其中Project(F)表示将所述训练分类特征矩阵投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置矩阵;以及,计算所述分类结果与所述真实值之间的交叉熵值作为所述分类损失函数值。
特别地,将所述训练电能负载时序输入向量通过包含序列编码器和波形图像编码器的跨模态联合编码器得到所述电力***多模态特征矩阵时,是将所述训练电能负载时序输入向量通过序列编码器得到的训练电能负载时序特征向量与所述训练电流波形图通过波形图像编码器得到的训练波形图像编码特征向量进行逐位置关联以得到所述训练电力***多模态特征矩阵。这里,考虑到所述电能负载值和所述电流波形图的数据源差异和数据模态差异导致的特征编码的方向差异,所述训练电能负载时序特征向量和所述训练波形图像编码特征向量的整体特征分布之间会存在较为显著的不平衡性,从而影响关联编码得到的所述训练电力***多模态特征矩阵的表达效果,也就影响了从所述训练电力***多模态特征矩阵得到的所述训练分类特征矩阵通过分类器得到的分类结果的准确性。因此,本申请的申请人在针对所述分类特征矩阵的分类损失函数之外,进一步引入针对所述训练电能负载时序特征向量和所述训练波形图像编码特征向量的伪循环差异惩罚因数作为损失函数。
相应地,在一种可能的实现方式中,所述伪循环差异惩罚损失单元270,用于:以如下损失公式计算所述训练电能负载时序特征向量和所述训练波形图像编码特征向量的伪循环差异惩罚因数作为所述伪循环差异惩罚损失函数值;其中,所述损失公式为:
其中,V1是所述训练电能负载时序特征向量,V2是所述训练波形图像编码特征向量,D(V1,V2)为所述训练电能负载时序特征向量和所述训练波形图像编码特征向量之间的距离矩阵,||·||F表示矩阵的Frobenius范数,L是特征向量的长度,d(V1,V2)是所述训练电能负载时序特征向量和所述训练波形图像编码特征向量之间的距离,||·||2是向量的二范数,log表示以2为底的对数函数,且α和β为加权超参数,是所述伪循环差异惩罚损失函数值,/>是向量减法,/>是向量加法。
这里,考虑到所述训练电能负载时序特征向量和所述训练波形图像编码特征向量之间的不平衡分布会在基于梯度下降的反向传播的模型训练过程当中导致梯度传播异常,从而形成模型参数更新的伪循环,所述伪循环差异惩罚因数通过引入用于表达特征值的密切关联数值对的空间关系和数值关系两者的惩罚因数,来在最小化损失函数的模型训练过程中,将模型参数更新的伪循环视为真实循环,以通过梯度传播的模拟激活的方式来实现所述训练电能负载时序特征向量和所述训练波形图像编码特征向量各自的特征分布的渐进耦合,从而改进关联编码得到的所述训练电力***多模态特征矩阵的表达效果,以改进所述训练分类特征矩阵通过分类器得到的分类结果的准确性。这样,能够基于电力***的参数变化趋势来实时准确地进行电力***的故障检测,并在检测出故障时通过智能型配电柜发出警报,从而提高了电力***的安全性和稳定性,降低事故率和损失。
应可以理解,伪循环差异惩罚损失单元主要用于计算伪循环差异惩罚损失函数值。在训练过程中,伪循环差异惩罚损失单元会将训练数据集中的电能负载时序特征向量和波形图像编码特征向量进行处理,计算伪循环差异惩罚因数,并将其作为伪循环差异惩罚损失函数值。具体来说,伪循环差异惩罚因数是衡量电能负载时序特征向量和波形图像编码特征向量之间差异程度的一个指标。伪循环差异惩罚损失函数值则是将伪循环差异惩罚因数进行加权,得到的一个数值,用于衡量跨模态联合编码器中序列编码器和波形图像编码器之间的差异程度。伪循环差异惩罚损失函数值越大,说明序列编码器和波形图像编码器之间的差异越大,需要进行调整,以提高跨模态联合编码器的准确性。
对于训练模块来说,伪循环差异惩罚损失函数值是非常重要的,它可以作为训练模块的优化目标之一,通过反向传播算法来更新跨模态联合编码器、空间注意力模块和分类器中的参数,从而提高智能型配电柜的分类和预测能力。通过不断地优化伪循环差异惩罚损失函数值,智能型配电柜可以逐步提高其对电力***数据的特征提取能力和分类、预测准确性,实现对电力***的智能化监测和控制。
综上,基于本申请实施例的智能型配电柜100被阐明,其首先将多个预定时间点的电能负载值按照时间维度排列为电能负载时序输入向量后和预定时间段的电流波形图通过包含序列编码器和波形图像编码器的跨模态联合编码器以得到电力***多模态特征矩阵,接着,将所述电力***多模态特征矩阵通过空间注意力模块以得到分类特征矩阵,然后,将所述分类特征矩阵通过分类器以得到用于表示被监测电力***是否正常的分类结果,最后,基于所述分类结果,生成用于表示是否产生警示信号的控制信号。这样,可以提高电力***的稳定性和可靠性。
如上所述,根据本申请实施例的所述智能型配电柜100可以实现在各种终端设备中,例如具有智能型配电控制算法的服务器等。在一个示例中,智能型配电柜100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该智能型配电柜100可以是该终端设备的操作***中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该智能型配电柜100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该智能型配电柜100与该终端设备也可以是分立的设备,并且该智能型配电柜100可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
进一步地,本公开还提供一种智能型配电柜的控制***,其包括一控制***,所述控制***用于控制前述任一所述的智能型配电柜。
在一个示例中,智能型配电柜的控制***是一种集成了计算机技术、通信技术、控制技术等多种技术的***,主要用于实现对智能型配电柜的监测、控制、管理等功能。其主要包括硬件和软件两个方面。硬件部分主要包括传感器、执行器、控制器等组成部分。传感器用于采集配电柜内各个电路的电能参数,如电流、电压、功率等,执行器则用于控制配电柜内各个电路的开关状态,控制器则用于将传感器采集到的数据进行处理和分析,并根据处理结果对执行器进行控制。软件部分主要包括控制算法、通信协议、人机界面等组成部分。控制算法用于对传感器采集到的数据进行处理和分析,以实现对配电柜的智能控制;通信协议用于实现控制***与外部设备的通信,如与上位机、SCADA***等进行通信;人机界面则用于提供图形化的操作界面,以方便用户进行操作和监测。
相应的,智能型配电柜的控制***具有以下优点:1.实现了对配电柜的智能化控制,能够自动调整各个电路的负载,提高电力***的效率和稳定性;2.通过对电能参数的实时监测和分析,能够及时发现电力***中的故障和异常情况,并进行相应的处理;3.通过与上位机、SCADA***等进行通信,能够实现对电力***的远程监测和控制,提高了电力***的管理效率和可靠性;4.通过提供图形化的操作界面,能够方便用户进行操作和监测,提高了用户的使用体验。
图4示出根据本公开的实施例的智能型配电方法的流程图。图5示出根据本公开的实施例的智能型配电方法的***架构的示意图。如图4和图5所示,根据本申请实施例的智能型配电方法,其包括:S110,获取被监测电力***在预定时间内多个预定时间点的电能负载值以及所述预定时间段的电流波形图;S120,将所述多个预定时间点的电能负载值按照时间维度排列为电能负载时序输入向量;S130,将所述电能负载时序输入向量和所述预定时间段的电流波形图通过包含序列编码器和波形图像编码器的跨模态联合编码器以得到电力***多模态特征矩阵;S140,将所述电力***多模态特征矩阵通过空间注意力模块以得到分类特征矩阵;S150,将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示被监测电力***是否正常;以及,S160,基于所述分类结果,生成控制信号,所述控制信号用于表示是否产生警示信号。
通过上述的流程图和架构图,可以更好地理解智能型配电方法的实现过程和***架构。通过架构图和流程图的结合,可以更加清晰地了解智能型配电方法的实现过程和***架构,有助于更好地理解和应用本公开的技术方案。
这里,本领域技术人员可以理解,上述智能型配电方法中的各个步骤的具体操作已经在上面参考图1到图3的智能型配电柜的描述中得到了详细介绍,并因此,将省略其重复描述。
图6示出根据本公开的实施例的智能型配电柜的应用场景图。如图6所示,在该应用场景中,首先,获取被监测电力***在预定时间内多个预定时间点的电能负载值(例如,图6中所示意的D1)以及所述预定时间段的电流波形图(例如,图6中所示意的D2),然后,将所述多个预定时间点的电能负载值和所述预定时间段的电流波形图输入至部署有智能型配电算法的服务器中(例如,图6中所示意的S),其中,所述服务器能够使用所述智能型配电算法对所述多个预定时间点的电能负载值和所述预定时间段的电流波形图进行处理以得到用于表示被监测电力***是否正常的分类结果,最后,基于所述分类结果,生成用于表示是否产生警示信号的控制信号。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种智能型配电柜,其特征在于,包括:
数据采集模块,用于获取被监测电力***在预定时间内多个预定时间点的电能负载值以及所述预定时间段的电流波形图;
数据参数时序排列模块,用于将所述多个预定时间点的电能负载值按照时间维度排列为电能负载时序输入向量;
联合编码模块,用于将所述电能负载时序输入向量和所述预定时间段的电流波形图通过包含序列编码器和波形图像编码器的跨模态联合编码器以得到电力***多模态特征矩阵;
空间特征增强模块,用于将所述电力***多模态特征矩阵通过空间注意力模块以得到分类特征矩阵;
电力***检测模块,用于将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示被监测电力***是否正常;以及
预警模块,用于基于所述分类结果,生成控制信号,所述控制信号用于表示是否产生警示信号。
2.根据权利要求1所述的智能型配电柜,其特征在于,所述联合编码模块,包括:
序列编码单元,用于将所述电能负载时序输入向量通过所述跨模态联合编码器的所述序列编码器以得到电能负载时序特征向量;
波形图像编码单元,用于将所述预定时间段的电流波形图通过所述跨模态联合编码器的所述波形图像编码器以得到波形图像编码特征向量;以及
跨模态融合单元,用于使用所述跨模态联合编码器的跨模态融合器融合所述电能负载时序特征向量和所述波形图像编码特征向量以得到所述电力***多模态特征矩阵。
3.根据权利要求2所述的智能型配电柜,其特征在于,所述序列编码单元,用于:
使用所述跨模态联合编码器的所述序列编码器的各层在层的正向传递中对输入数据分别进行一维卷积处理、池化处理和非线性激活处理以由所述跨模态联合编码器的所述序列编码器的最后一层输出所述电能负载时序特征向量,其中,所述跨模态联合编码器的所述序列编码器的第一层的输入为所述电能负载时序输入向量。
4.根据权利要求3所述的智能型配电柜,其特征在于,所述波形图像编码单元,用于:
使用所述跨模态联合编码器的所述波形图像编码器的各层在层的正向传递中对输入数据分别进行卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述跨模态联合编码器的所述波形图像编码器的最后一层输出所述波形图像编码特征向量,其中,所述跨模态联合编码器的所述波形图像编码器的第一层的输入为所述预定时间段的电流波形图。
5.根据权利要求4所述的智能型配电柜,其特征在于,所述空间特征增强模块,用于:
在所述空间注意力模块的各层在层的正向传递过程中对输入数据分别进行:
对输入数据进行卷积处理以生成卷积特征图;
对所述卷积特征图进行池化处理以生成池化特征图;
对所述池化特征图进行非线性激活以生成激活特征图;
计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵;
计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵;以及
计算所述空间特征矩阵和所述空间得分矩阵的按位置点乘以获得特征矩阵;
其中,所述空间注意力模块的最后一层输出的所述特征矩阵为所述分类特征矩阵。
6.根据权利要求5所述的智能型配电柜,其特征在于,还包括用于对所述包含序列编码器和波形图像编码器的跨模态联合编码器、所述空间注意力模块和所述分类器进行训练的训练模块。
7.根据权利要求6所述的智能型配电柜,其特征在于,所述训练模块,包括:
训练数据采集单元,用于获取训练数据,所述训练数据包括被监测电力***在预定时间内多个预定时间点的训练电能负载值和所述预定时间段的训练电流波形图,以及,所述是否产生警示信号的真实值;
训练数据参数时序排列单元,用于将所述多个预定时间点的训练电能负载值按照时间维度排列为训练电能负载时序输入向量;
训练联合编码单元,用于将所述训练电能负载时序输入向量和所述预定时间段的训练电流波形图通过所述包含序列编码器和波形图像编码器的跨模态联合编码器以得到训练电能负载时序特征向量和训练波形图像编码特征向量;
训练特征融合单元,用于融合所述训练电能负载时序特征向量和所述训练波形图像编码特征向量以得到训练电力***多模态特征矩阵;
训练空间特征增强单元,用于将所述训练电力***多模态特征矩阵通过所述空间注意力模块以得到训练分类特征矩阵;
分类损失单元,用于将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值;
伪循环差异惩罚损失单元,用于计算所述训练电能负载时序特征向量和所述训练波形图像编码特征向量的伪循环差异惩罚因数作为伪循环差异惩罚损失函数值;以及
模型训练单元,用于以所述分类损失函数值和所述伪循环差异惩罚损失函数值的加权和作为损失函数值,并通过梯度下降的反向传播来对所述包含序列编码器和波形图像编码器的跨模态联合编码器、所述空间注意力模块和所述分类器进行训练。
8.根据权利要求7所述的智能型配电柜,其特征在于,所述分类损失单元,用于:
使用所述分类器以如下分类公式对所述训练分类特征矩阵进行处理以得到分类结果,所述分类公式为:softmax{(Wn,Bn):…:(W1,B1)|Project(F)},其中Project(F)表示将所述训练分类特征矩阵投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置矩阵;以及
计算所述分类结果与所述真实值之间的交叉熵值作为所述分类损失函数值。
9.根据权利要求8所述的智能型配电柜,其特征在于,所述伪循环差异惩罚损失单元,用于:
以如下损失公式计算所述训练电能负载时序特征向量和所述训练波形图像编码特征向量的伪循环差异惩罚因数作为所述伪循环差异惩罚损失函数值;
其中,所述损失公式为:
其中,V1是所述训练电能负载时序特征向量,V2是所述训练波形图像编码特征向量,D(V1,V2)为所述训练电能负载时序特征向量和所述训练波形图像编码特征向量之间的距离矩阵,||·||F表示矩阵的Frobenius范数,L是特征向量的长度,d(V1,V2)是所述训练电能负载时序特征向量和所述训练波形图像编码特征向量之间的距离,||·||2是向量的二范数,log表示以2为底的对数函数,且α和β为加权超参数,是所述伪循环差异惩罚损失函数值,/>是向量减法,⊕是向量加法。
10.一种智能型配电柜的控制***,其特征在于,包括:
控制***,所述控制***用于控制权利要求1-9任一所述的智能型配电柜。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310691904.2A CN116683648B (zh) | 2023-06-13 | 2023-06-13 | 一种智能型配电柜及其控制*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310691904.2A CN116683648B (zh) | 2023-06-13 | 2023-06-13 | 一种智能型配电柜及其控制*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116683648A true CN116683648A (zh) | 2023-09-01 |
CN116683648B CN116683648B (zh) | 2024-02-20 |
Family
ID=87788740
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310691904.2A Active CN116683648B (zh) | 2023-06-13 | 2023-06-13 | 一种智能型配电柜及其控制*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116683648B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117202430A (zh) * | 2023-09-20 | 2023-12-08 | 浙江炯达能源科技有限公司 | 用于智慧灯杆的节能控制方法及*** |
CN117241443A (zh) * | 2023-09-15 | 2023-12-15 | 中山市松伟照明电器有限公司 | 基于物联网的智能照明灯具及其智能控制方法 |
CN117292576A (zh) * | 2023-10-10 | 2023-12-26 | 漳州建源电力工程有限公司 | 基于物联网的充电车位管理***及方法 |
CN117498262A (zh) * | 2023-10-31 | 2024-02-02 | 神州技测(深圳)科技有限公司 | 一种高压直流电子负载开关保护电路 |
CN117826583A (zh) * | 2023-11-23 | 2024-04-05 | 神州技测(深圳)科技有限公司 | 回馈式可编程交流电源 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101790092A (zh) * | 2010-03-15 | 2010-07-28 | 河海大学常州校区 | 基于图像块编码信息的智能滤波器设计方法 |
CN114580666A (zh) * | 2020-11-30 | 2022-06-03 | 西安市双合软件技术有限公司 | 一种多模式融合电动机智能维护*** |
CN114707754A (zh) * | 2022-04-25 | 2022-07-05 | 广西电网有限责任公司 | 一种基于BiLSTM-CNN模型的智能电表故障预测方法及*** |
CN114779819A (zh) * | 2022-05-23 | 2022-07-22 | 泰昌科技(杭州)有限公司 | 基于无人机移动式机场的高精度升降控制***及控制方法 |
CN115456012A (zh) * | 2022-08-24 | 2022-12-09 | 华能新能源股份有限公司 | 风电场风机大部件状态监测***及其方法 |
CN115456047A (zh) * | 2022-08-23 | 2022-12-09 | 华能新能源股份有限公司 | 基于人工智能的海上风机结构状态监测***及其方法 |
US20220397874A1 (en) * | 2021-06-07 | 2022-12-15 | Zhejiang University | Non-Intrusive Load Decomposition Method Based on Informer Model Coding Structure |
CN115510962A (zh) * | 2022-09-19 | 2022-12-23 | 浙江佳雪微特电机有限公司 | 具有故障自监测功能的水泵永磁同步电机及其方法 |
WO2023078070A1 (zh) * | 2021-11-04 | 2023-05-11 | 北京有竹居网络技术有限公司 | 一种字符识别方法、装置、设备、介质及产品 |
-
2023
- 2023-06-13 CN CN202310691904.2A patent/CN116683648B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101790092A (zh) * | 2010-03-15 | 2010-07-28 | 河海大学常州校区 | 基于图像块编码信息的智能滤波器设计方法 |
CN114580666A (zh) * | 2020-11-30 | 2022-06-03 | 西安市双合软件技术有限公司 | 一种多模式融合电动机智能维护*** |
US20220397874A1 (en) * | 2021-06-07 | 2022-12-15 | Zhejiang University | Non-Intrusive Load Decomposition Method Based on Informer Model Coding Structure |
WO2023078070A1 (zh) * | 2021-11-04 | 2023-05-11 | 北京有竹居网络技术有限公司 | 一种字符识别方法、装置、设备、介质及产品 |
CN114707754A (zh) * | 2022-04-25 | 2022-07-05 | 广西电网有限责任公司 | 一种基于BiLSTM-CNN模型的智能电表故障预测方法及*** |
CN114779819A (zh) * | 2022-05-23 | 2022-07-22 | 泰昌科技(杭州)有限公司 | 基于无人机移动式机场的高精度升降控制***及控制方法 |
CN115456047A (zh) * | 2022-08-23 | 2022-12-09 | 华能新能源股份有限公司 | 基于人工智能的海上风机结构状态监测***及其方法 |
CN115456012A (zh) * | 2022-08-24 | 2022-12-09 | 华能新能源股份有限公司 | 风电场风机大部件状态监测***及其方法 |
CN115510962A (zh) * | 2022-09-19 | 2022-12-23 | 浙江佳雪微特电机有限公司 | 具有故障自监测功能的水泵永磁同步电机及其方法 |
Non-Patent Citations (2)
Title |
---|
WENWU WANG ET AL.: "Penalty Function-Based Joint Diagonalization Approach for Convolutive Blind Separation of Nonstationary Sources", 《IEEE TRANSACTIONS ON SIGNAL PROCESSING》, vol. 53, no. 5, pages 1654 - 1669, XP011130560, DOI: 10.1109/TSP.2005.845433 * |
肖招娣: "大型电力***的信息分类过滤方法研究", 《电气应用》, vol. 34, no. 09, pages 110 - 115 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117241443A (zh) * | 2023-09-15 | 2023-12-15 | 中山市松伟照明电器有限公司 | 基于物联网的智能照明灯具及其智能控制方法 |
CN117241443B (zh) * | 2023-09-15 | 2024-06-04 | 中山市松伟照明电器有限公司 | 基于物联网的智能照明灯具及其智能控制方法 |
CN117202430A (zh) * | 2023-09-20 | 2023-12-08 | 浙江炯达能源科技有限公司 | 用于智慧灯杆的节能控制方法及*** |
CN117202430B (zh) * | 2023-09-20 | 2024-03-19 | 浙江炯达能源科技有限公司 | 用于智慧灯杆的节能控制方法及*** |
CN117292576A (zh) * | 2023-10-10 | 2023-12-26 | 漳州建源电力工程有限公司 | 基于物联网的充电车位管理***及方法 |
CN117498262A (zh) * | 2023-10-31 | 2024-02-02 | 神州技测(深圳)科技有限公司 | 一种高压直流电子负载开关保护电路 |
CN117826583A (zh) * | 2023-11-23 | 2024-04-05 | 神州技测(深圳)科技有限公司 | 回馈式可编程交流电源 |
Also Published As
Publication number | Publication date |
---|---|
CN116683648B (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116683648B (zh) | 一种智能型配电柜及其控制*** | |
CN116639010B (zh) | 充电桩的智能控制***及其方法 | |
CN113156917B (zh) | 基于人工智能的电网设备故障诊断方法及*** | |
CN109974782B (zh) | 基于大数据敏感特征优化选取的设备故障预警方法及*** | |
CN111858526B (zh) | 基于信息***日志的故障时间空间预测方法及*** | |
CN102749572B (zh) | 基于iecmac参数辨识的功率电子电路故障预测方法 | |
CN116934304B (zh) | 智能配电房设备运行维护管理***及其方法 | |
CN116893336B (zh) | 高低压开关设备及其方法 | |
CN113762329A (zh) | 一种大型轧机状态预测模型的构建方法及构建*** | |
CN117034123B (zh) | 健身器材的故障监控***及其方法 | |
CN113111591B (zh) | 基于模块化配电终端内部故障自动诊断方法、装置及设备 | |
CN117375237B (zh) | 基于数字孪生技术变电站运维方法及*** | |
CN113408458A (zh) | 一种基于振动信号特征熵融合的断路器故障诊断方法 | |
CN105703258A (zh) | Gis开关设备动作状态监测***及其使用方法 | |
CN116106672B (zh) | 一种基于数据驱动与工程知识的车网谐振检测方法及装置 | |
CN117113218A (zh) | 可视化的数据分析***及其方法 | |
CN112766618A (zh) | 异常预测方法及装置 | |
CN110046663A (zh) | 一种复杂机电***故障临界态辨识方法 | |
CN114722950B (zh) | 一种多模态的多变量时间序列自动分类方法及装置 | |
CN114091549A (zh) | 一种基于深度残差网络的设备故障诊断方法 | |
CN116840764A (zh) | 一种电容式电压互感器综合误差状态评估方法及*** | |
CN116720324A (zh) | 基于预测模型的牵引变电所关键设备故障预警方法及*** | |
CN116684878A (zh) | 一种5g信息传输数据安全监测*** | |
CN117856442A (zh) | 一种基于大数据的电力设备远程监测***及方法 | |
CN117407770A (zh) | 基于神经网络的高压开关柜故障模式分类及预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |